CN115037877A - 自动跟随方法、装置以及安全监测方法、装置 - Google Patents
自动跟随方法、装置以及安全监测方法、装置 Download PDFInfo
- Publication number
- CN115037877A CN115037877A CN202210641545.5A CN202210641545A CN115037877A CN 115037877 A CN115037877 A CN 115037877A CN 202210641545 A CN202210641545 A CN 202210641545A CN 115037877 A CN115037877 A CN 115037877A
- Authority
- CN
- China
- Prior art keywords
- target
- position coordinates
- bounding box
- target image
- size
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
- G08B21/028—Communication between parent and child units via remote transmission means, e.g. satellite network
Landscapes
- Health & Medical Sciences (AREA)
- Child & Adolescent Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种自动跟随方法、装置以及安全监测方法、装置。该方法包括:获取采用自动跟随方法跟随采集的目标图像;对目标图像进行骨骼特征提取,得到目标的骨骼特征;若根据骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息。采用本方法能够提高对目标安全监测的准确率。
Description
技术领域
本申请涉及智能技术领域,特别是涉及一种自动跟随方法、装置以及安全监测方法、装置。
背景技术
随着社会和经济的发展,为了确保人员的安全,在越来越多的场景中需要进行安全监测。
通常地,可以通过摄像头获取人员图像,基于对人员图像的分析,可以判断人员是否处于危险之中,从而实现对人员的安全监测。
但是,上述通过摄像头采集人员图像的方式中,由于摄像头有摄像死角,这使得无法准确获取人员图像,进而使得无法准确地对人员状态进行判断,从而降低了对人员安全监测的准确率。
发明内容
基于此,有必要针对上述技术问题,提供一种能够实现准确地自动跟随的自动跟随方法和装置,以及基于准确地自动跟随获得的目标图像来提高对目标的安全监测准确率的安全监测方法、装置。
第一方面,本申请提供一种自动跟随方法。所述方法包括:
实时获取目标图像;
持续识别目标对象在所述目标图像中的位置坐标以及大小尺寸;
侦测不同时间帧对应的所述位置坐标与所述大小尺寸的变化,得到变化数据;
根据所述变化数据进行自动跟随。
在其中一个实施例中,所述持续识别目标对象在所述目标图像中的位置坐标以及大小尺寸,包括:
识别所述目标对象在所述目标图像中的矩形边界框;
持续获取所述矩形边界框上至少两个预设角点的位置坐标以及所述矩形边界框的大小尺寸。
在其中一个实施例中,所述侦测不同时间帧对应的所述位置坐标与所述大小尺寸的变化,得到变化数据,包括:
获取所述至少两个预设角点的标准位置坐标以及所述矩形边界框的标准尺寸;所述至少两个预设角点的标准位置坐标为正对所述目标时所述至少两个预设角点的位置坐标;所述标准尺寸为距离所述目标为预设标准距离时所述矩形边界框的尺寸;
实时对比所述矩形边界框上至少两个预设角点的位置坐标和所述至少两个预设角点的标准位置坐标,得到第一变化数据;
实时对比所述矩形边界框的大小尺寸和所述矩形边界框的标准尺寸,得到第二变化数据。
在其中一个实施例中,所述根据所述变化数据进行自动跟随,包括:
基于所述第一变化数据进行左右转动控制,以及基于第二变化数据进行前后跟随控制。
在其中一个实施例中,所述实时获取目标图像,包括:
采集环境图像;
识别所述环境图像中的物体边界框;
根据所述物体边界框进行目标识别;
基于目标识别结果,实时获取目标图像。
第二方面,本申请提供一种自动跟随装置,所述装置包括:采集模块、识别模块、侦测模块以及跟随模块;
所述采集模块,用于实时获取目标图像;
所述识别模块,用于持续识别目标对象在所述目标图像中的位置坐标以及大小尺寸;
所述侦测模块,用于侦测不同时间帧对应的所述位置坐标与所述大小尺寸的变化,得到变化数据;
所述跟随模块,用于根据所述变化数据进行自动跟随。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
实时获取目标图像;
持续识别目标对象在所述目标图像中的位置坐标以及大小尺寸;
侦测不同时间帧对应的所述位置坐标与所述大小尺寸的变化,得到变化数据;
根据所述变化数据进行自动跟随。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
实时获取目标图像;
持续识别目标对象在所述目标图像中的位置坐标以及大小尺寸;
侦测不同时间帧对应的所述位置坐标与所述大小尺寸的变化,得到变化数据;
根据所述变化数据进行自动跟随。
上述自动跟随方法、装置、计算机设备、存储介质以及计算机程序产品,通过实时获取目标图像,使得可以持续识别目标对象在目标图像中的位置坐标以及大小尺寸,进而基于侦测不同时间帧对应的位置坐标与所述大小尺寸的变化,得到变化数据,使得可以根据变化数据进行自动跟随。这样,通过结合不同时间帧的前后分析,可以提高对目标对象运动跟踪的准确率,进而提高自动跟随的准确率。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
实时获取目标图像;
持续识别目标对象在所述目标图像中的位置坐标以及大小尺寸;
侦测不同时间帧对应的所述位置坐标与所述大小尺寸的变化,得到变化数据;
根据所述变化数据进行自动跟随。
第六方面,本申请提供一种安全监测方法,所述方法包括:
获取采用第一方面提供的自动跟随方法跟随采集的目标图像,所述自动跟随方法为如上述的自动跟随方法;
对所述目标图像进行骨骼特征提取,得到目标的骨骼特征;
若根据所述骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息。
在其中一个实施例中,所述对所述目标图像进行骨骼特征提取,得到目标的骨骼特征,包括:
将所述目标图像输入姿态估计模型,得到所述目标的多个骨骼关键点;所述姿态估计模型是根据标注了人物骨骼关键点的数据集训练得到的;
将多个所述骨骼关键点依次连接,得到所述目标的骨骼特征;
所述若根据所述骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息,包括:
若根据所述骨骼特征对应的规律识别目标所处状态为不安全状态时,发送安全提示信息。
在其中一个实施例中,所述若根据所述骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息,包括:
将所述骨骼特征输入目标检测模型识别目标所处状态为不安全时,发送所述安全提示信息;所述骨骼特征是将所述目标图像输入姿态估计模型得到的,所述目标检测模型是根据标注了安全或不安全的骨骼特征的数据集训练得到的。
第七方面,本申请还提供了一种安全监测装置,所述装置包括:获取模块、特征确定模块以及通信模块,
所述获取模块,用于获取采用第一方面提供的自动跟随方法跟随采集的目标图像;
所述特征确定模块,用于对所述目标图像进行骨骼特征提取,得到目标的骨骼特征;
所述通信模块,用于若根据所述骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息。
第八方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取采用第一方面提供的自动跟随方法跟随采集的目标图像;
对所述目标图像进行骨骼特征提取,得到目标的骨骼特征;
若根据所述骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息。
第九方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取采用第一方面提供的自动跟随方法跟随采集的目标图像;
对所述目标图像进行骨骼特征提取,得到目标的骨骼特征;
若根据所述骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息。
第十方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取采用第一方面提供的自动跟随方法跟随采集的目标图像;
对所述目标图像进行骨骼特征提取,得到目标的骨骼特征;
若根据所述骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息。
上述安全监测方法、装置、计算机设备、存储介质以及计算机程序产品,通过获取采用自动跟随方法跟随采集的目标图像,进而对目标图像进行骨骼特征提取得到目标的骨骼特征,若根据骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息。这样,在提高对目标的自动跟随的准确率的基础上,准确地获取目标图像,使得可以基于目标的骨骼特征检测到目标所处的状态为不安全时,自动发送安全提示信息,从而提高目标安全监测的准确率。
附图说明
图1为一个实施例中自动跟随方法的应用环境图;
图2为一个实施例中自动跟随方法的流程示意图;
图3为一种头部矩形边界框以及头部矩形边界框中预设角点的示意图;
图4为一个实施例中得到变化数据的流程示意图;
图5为提供的一种标准位置坐标和矩形边界框的标准尺寸的示意图;
图6为提供的一种前后跟随判断的示意图;
图7为提供的一种物理边界框的示意图;
图8为一个实施例中安全监测方法的流程示意图;
图9为提供的一种目标的骨骼特征以骨骼特征对应的提示信息的示意图;
图10为提供的另一种目标的骨骼特征以及骨骼特征对应的提示信息的示意图;
图11为一个实施例中自动跟随装置的结构框图;
图12为一个实施例中安全监测装置的结构框图;
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的自动跟随方法,可以应用于如图1所示的应用环境中,在图1所示的应用环境中,目标102以人为例,目标对象以人的头部为例,智能设备104实时获取目标102对应的目标图像,通过持续识别目标对象在目标图像中的位置坐标以及大小尺寸,进而通过侦测不同时间帧对应的位置坐标与大小尺寸的变化得到变化数据,这样,根据变化数据可以实现对目标对象104的自动跟随;其中,智能设备可以为智能机器人或智能小车等,智能设备上可以安装有摄像头,摄像头可以用于获取目标图像。
在一个实施例中,如图2所示,提供了一种自动跟随方法,以该方法应用于图1中的智能设备为例进行说明,包括以下步骤:
S202,实时获取目标图像。
在本实施例中,目标图像为拍摄目标之后得到的图像。以目标为老人为例,则目标图像为一张完整的老人图像。在这里,智能设备采用实时的方式持续性获取目标图像,进一步地,智能设备可以通过持续拍摄的方式来实时获取目标图像。
S204,持续识别目标对象在目标图像中的位置坐标以及大小尺寸。
在本实施例中,目标图像是包含目标所有对象的图像,因此,目标对象在目标图像中的位置坐标指的是目标某一部位的位置坐标,目标对象在目标图像中的大小尺寸可以指的是目标对象的某一部位的大小尺寸,例如,当目标为老人时,目标对象可以为老人的头部、目标对象还可以为老人的手臂等,目标以及目标对象具体可根据实际应用场景设定。
S206,侦测不同时间帧对应的位置坐标与大小尺寸的变化,得到变化数据。
在本实施例中,通过侦测不同时间帧对应的位置坐标与大小尺寸,可以得到目标对象在不同时刻的位移变化,而且,结合不同时间帧的前后分析,可以提高对目标对象运动跟踪的准确率,进而可以提高自动跟随的准确率。
S208,根据变化数据进行自动跟随。
在本实施例中,变化数据反映了目标对象在不同时刻的位移变化,这样,基于该位移变化可以实现对目标对象的自动跟随。
综上所述,在图2所示的实施例中,通过实时获取目标图像,并持续识别目标对象在目标图像中的位置坐标以及大小尺寸,这样,侦测不同时间帧对应的位置坐标与大小尺寸的变化,得到变化数据时,可以根据变化数据进行自动跟随,通过结合不同时间帧的前后分析,可以提高对目标对象的位移变化侦测的准确率,进而提高对目标对象自动跟随的准确率。
结合图2所示的内容,需要说明的是,本申请实施例可以通过摄像头获取目标图像,这样,可以持续侦测目标对象在目标图像中的位置坐标以及大小尺寸,而且,本申请实施例提供的自动跟随方法与基于超声波回声定位、利用蓝牙或无线电信号强弱来定位的方法不同,本申请实施例的自动跟随方法是从人工智能的角度提出的方法,利用目标检测的原理保持目标对象始终在合理的视野范围内,从而实现对目标对象的自动跟随。
在图2所示的实施例的基础上,在一个实施例中,持续识别目标对象在目标图像中的位置坐标以及大小尺寸,包括:识别目标对象在目标图像中的矩形边界框,持续获取矩形边界框上至少两个预设角点的位置坐标以及矩形边界框的大小尺寸。
其中,以目标对象为目标的头部为例,目标对象在目标图像中的矩形边界框指的是头部的矩形边界框,因此,该矩形边界框上至少两个预设角点的位置坐标可以指的是头部的矩形边界框上对角方向上的位置坐标。
其中,目标对象在目标图像中的矩形边界框可以是通过目标检测模块识别得到的,基于识别得到的矩形边界框可以得到矩形边界框上至少两个预设角点的位置坐标,进而,基于矩形边界框上至少两个预设角点的位置坐标,可以准确识别目标在不同时刻的位移变化。
以至少两个预设角点为矩形边界框中对角方向上的两个点位为例,如图3所示,提供了头部矩形边界框以及头部矩形边界框中预设角点的示意图,头部矩形边界框302中包括对角方向上的两个预设角点,分别为(x'1,y'1)和(x'2,y'2)。
在图3所示的内容的基础上,在一个实施例中,图4提供了一种得到变化数据的流程示意图,图4所示的内容描述了侦测不同时间帧对应的位置坐标与大小尺寸的变化,得到变化数据的可能的实现方式,如图4所示,可以包括以下步骤:
S402,获取至少两个预设角点的标准位置坐标以及矩形边界框的标准尺寸。
在本实施例中,至少两个预设角点的标准位置坐标指的是正对目标时至少两个预设角点的位置坐标,矩形边界框的标准尺寸指的是距离目标为预设标准距离时矩形边界框的尺寸,其中,预设标准距离可以为3m或其他值等。
可以理解的是,结合图2,在智能机器人首次实时跟随目标后,智能机器人可以确定至少两个预设角点的标准位置坐标以及矩形边界框的标准尺寸,并存储该标准位置坐标和该标准尺寸;同时,智能机器人还可以获得距离目标为预设标准距离时的水平线与中垂线的交点,智能机器人基于该交点可以确定目标处于视野的中心范围内,这样,下次基于该标准位置坐标和该标准尺寸进行跟随过程判断时,智能机器人在保持目标在视野的中心范围内时,实现对目标的自动跟随。
在图3所示的示意图的基础上,示例性的,如图5所示,提供了一种标准位置坐标和矩形边界框的标准尺寸的示意图,矩形边界框502的尺寸可以用于指示矩形边界框的标准尺寸,(x1,y1)和(x2,y2)分别表示为矩形边界框502的对角方向上的两个预设角点的标准位置坐标,(x0,y0)表示为距离目标为预设标准距离时的水平线与中垂线的交点。
S404,实时对比矩形边界框上至少两个预设角点的位置坐标和至少两个预设角点的标准位置坐标,得到第一变化数据。
在本实施例中,矩形边界框上至少两个预设角点的位置坐标可以指的是矩形边界框上对角方向上的位置坐标,该位置坐标可以包括第一位置坐标和第二位置坐标,第一位置坐标包括第一横坐标,第二位置坐标包括第二横坐标,第二横坐标大于第一横坐标,例如,以矩形边界框为目标的头部矩形边界框为例,结合图5,第一横坐标指的是x'1,第二横坐标指的是x'2。
同样地,矩形边界框上至少两个预设角点的标准位置坐标可以指的是矩形边界框上对角方向上的标准位置坐标,该标准位置坐标可以包括第一标准位置坐标和第二标准位置坐标,第一标准位置坐标包括第一标准横坐标,第二标准位置坐标包括第二标准横坐标,第二标准横坐标大于第一标准横坐标,例如,以矩形边界框为目标的头部矩形边界框为例,结合图5,第一标准横坐标指的是x1,第二标准横坐标指的是x2。
具体地,实时对比矩形边界框上至少两个预设角点的位置坐标和至少两个预设角点的标准位置坐标,得到第一变化数据,包括:若第一横坐标大于第二标准横坐标,得到用于指示进行右转的第一变化数据;或者,若第二横坐标小于第一标准横坐标,得到用于指示进行左转的第一变化数据。因此,可以理解为,基于第一变化数据可以进行左右转动控制。
例如,以矩形边界框为目标的头部矩形边界框为例,结合图5,若x'1>x2,则第一变化数据为用于指示进行左转的数据;若x'2<x1,则第一变化数据为用于指示进行右转的数据。
S406,实时对比矩形边界框的大小尺寸和矩形边界框的标准尺寸,得到第二变化数据。
在本实施例中,根据近大远小的原理,将矩形边界框的大小尺寸和矩形边界框的标准尺寸进行比较,可以做出远近的判断,即可以得到用于指示进行前后跟随的第二变化数据。
具体的,实时对比矩形边界框的大小尺寸和矩形边界框的标准尺寸,得到第二变化数据,包括:若矩形边界框的大小尺寸大于矩形边界框的标准尺寸,得到用于指示进行后退的第二变化数据;或者,若矩形边界框的大小尺寸小于矩形边界框的标准尺寸,得到用于指示进行前进的第二变化数据。因此,可以理解为,基于第二变化数据可以进行前后跟随控制。
示例性的,以矩形边界框为目标的头部矩形边界框为例,如图6所示,提供了一种前后跟随判断的示意图,头部矩形边界框602对应的尺寸为标准尺寸,头部矩形边界框604对应的尺寸为实时获取的目标的头部矩形边界框的大小尺寸,头部矩形边界框604的大小尺寸小于头部矩形边界框602的标准尺寸,因此,得到的第二变化数据为用于指示进行前进的数据。
可以理解的是,也可以基于矩形边界框上至少两个预设角点的位置坐标和至少两个预设角点的标准位置坐标,得到用于指示进行前后跟随控制的第二变化数据。
结合S404描述的内容,第一位置坐标还可以包括第一纵坐标,第二位置坐标还可以包括第二纵坐标,第一纵坐标大于第二纵坐标,第一标准位置坐标还可以包括第一标准纵坐标,第二标准位置坐标还可以包括第二标准纵坐标,第一标准纵坐标大于标准第二纵坐标。
具体地,若第一纵坐标大于第二标准纵坐标,且第二纵坐标小于第二标准纵坐标,则得到用于指示进行前进的第二变化数据;或者,若第一纵坐标大于第一标准纵坐标,且第二纵坐标小于第二标准纵坐标,则得到用于指示进行后退的第二变化数据。
例如,以矩形边界框为目标的头部矩形边界框为例,结合图6,第一纵坐标为y'1,第二纵坐标为y'2,第一标准纵坐标为y1,第二标准纵坐标为y2,若y'1>y2,且y'2<y2,则得到用于指示进行前进的第二变化数据;或者,若y'1>y1,且y'2<y1,则得到用于指示进行后退的第二变化数据。
综上所述,在图4所示的实施例中,通过比较矩形边界框上至少两个预设角点的位置坐标以及矩形边界框的大小尺寸,与对应的标准位置坐标和矩形边界框的标准尺寸,从而可以得到用于指示进行左右转动控制的第一变化数据以及用于指示进行前后跟随的第二变化数据,这样,基于该变化数据可以实现对目标对象的自动跟随。
可以理解的是,通过实时获取第一变化数据和第二变化数据,可以使得在自动跟随目标时,左右转动的动作和前后跟随的动作可以重复且交替执行,这样,即使目标移动频繁,也可以实时跟随到目标对象,从而可以提供对目标对象进行自动跟随的准确率。
需要说明的是,图2至图6所示的内容,可以用于实现对目标的自动跟踪,但是,通常地,在实际情况中,不同的目标所获取的目标图像是不同的,因此,为了实现对特定目标的自动跟随,需要对环境中的特定目标进行识别,使得自动跟随的目标是大小固定且具有区分度的目标,这样,获取的就是特定的目标的目标图像。
在一个实施例中,实时获取目标图像的可能的实现方式为:采集环境图像;识别环境图像中的物体边界框;根据物体边界框进行目标识别;基于目标识别结果,实时获取目标图像。
其中,环境图像中可能包含多个目标,因此,基于多个目标对应的物体边界框可以辅助识别需要自动跟随的目标,例如,可以将环境中多个物体边界框中的目标与预设目标进行对比,得到目标识别结果,基于目标识别结果可以确定需要自动跟随的目标,进而,可以实时获取该目标对应的目标图像。
示例性的,图7为提供的一种物理边界框的示意图,如图7所示,基于该物理边界框,可以从环境图像中的多个目标中确定需要自动跟随的目标。
上述的图2至图7描述了自动跟随方法的内容,因此,在图2至图7所示的实施例的基础上,可以提供一种基于上述自动跟随方法的安全监测方法,如图8所示,提供了一种安全监测方法的流程示意图,可以包括以下步骤:
S802,获取采用自动跟随方法跟随采集的目标图像。
在本实施例中,目标图像可以是相邻的连续多帧图像,基于该相邻的连续多帧图像,目标图像可以用来反映目标在不同时刻的姿态变化,例如,目标的姿态可以包括趴着、躺着、走路、跑步以及摔倒等。
S804,对目标图像进行骨骼特征提取,得到目标的骨骼特征。
具体地,对目标图像进行骨骼特征提取,得到目标的骨骼特征,包括:将目标图像输入姿态估计模型,得到目标的多个骨骼关键点;将多个骨骼关键点依次连接,得到目标的骨骼特征;其中,姿态估计模型是根据标注了人物骨骼关键点的数据集训练得到的,该数据集中可以包括标注了人物骨骼关键点的人物图片。
其中,姿态估计模型中的姿态估计算法包括但不限于:OpenPose算法、DeepCut算法或RMPE算法,这样,将目标图像输入姿态估计模型后,可以基于OpenPose算法、DeepCut算法或RMPE算法得到目标的骨骼特征。
S806,若根据骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息。
具体地,若根据骨骼特征对应的规律识别目标所处状态为不安全状态时,发送安全提示信息,其中,骨骼特征对应的规律可以理解为,目标的多个骨骼关键点分布的规律,例如,若目标的多个骨骼关键点的分布密集,则识别到目标所处状态为不安全状态;或者,在目标的多个骨骼关键点中,若多个相邻的骨骼关键点之间的距离小于或等于预设距离,则识别到目标所处状态为不安全状态。
在一个实施例中,根据骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息,包括:将骨骼特征输入目标检测模型识别目标所处状态为不安全时,发送安全提示信息;其中,骨骼特征是将目标图像输入姿态估计模型得到的,具体实现过程可以参考S804所描述的内容,在此不再赘述;目标检测模型可以是yolov5模型或faster RCNN模型等,目标检测模型是根据标注了安全或不安全的骨骼特征的数据集训练得到的,该数据集可以包括标注了安全或不安全的骨骼特征的图片。
示例性的,如图9所示,提供了一种目标的骨骼特征以及骨骼特征对应的提示信息的示意图,将目标的多个骨骼关键点依次连接,可以得到目标的骨骼特征,该骨骼特征为目标站立时的骨骼特征,将该骨骼特征输入目标检测模型,可以得到该骨骼特征对应的提示信息为安全;如图10所示,提供了另一种目标的骨骼特征以及骨骼特征对应的提示信息的示意图,将目标的多个骨骼关键点依次连接,可以得到目标的骨骼特征,该骨骼特征为目标摔倒时的骨骼特征,将该骨骼特征输入目标检测模型,可以得到该骨骼特征对应的提示信息为不安全。
需要说明的是,图9或图10中所示的目标的骨骼关键点的位置以及数量仅是一种示例,具体地,目标的骨骼关键点的位置以及数量可基于训练好的姿态估计模型进行确定。
例如,当老人独居时,若根据老人的骨骼特征识别老人所处的状态为不安全时,可以通过联网设备自动发送安全提示信息给紧急联系人,使得紧急联系人可以知道老人处于危险中,从而可以提高老人独居时的安全性;其中,该紧急联系人可以为子女等,具体可根据实际应用场景设定。
可以理解的是,若根据老人的骨骼特征识别老人所处的状态为不安全时,还可以自动通过联网设备拨打紧急电话,该紧急电话可以为子女电话或报警就医电话等,具体可根据实际应用场景设定。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的自动跟随方法的自动跟随装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个自动跟随装置实施例中的具体限定可以参见上文中对于自动跟随方法的限定,在此不再赘述。
在一个实施例中,如图11所示,提供了一种自动跟随装置,包括:采集模块1102、识别模块1104、侦测模块1106以及跟随模块1108,其中:
采集模块,用于实时获取目标图像。
识别模块,用于持续识别目标对象在目标图像中的位置坐标以及大小尺寸。
侦测模块,用于侦测不同时间帧对应的位置坐标与大小尺寸的变化,得到变化数据。
跟随模块,用于根据变化数据进行自动跟随。
在其中一个实施例中,识别模块,还用于:
识别目标对象在目标图像中的矩形边界框;
持续获取矩形边界框上至少两个预设角点的位置坐标以及矩形边界框的大小尺寸。
在其中一个实施例中,侦测模块,还用于:
获取至少两个预设角点的标准位置坐标以及矩形边界框的标准尺寸;至少两个预设角点的标准位置坐标为正对目标时至少两个预设角点的位置坐标;标准尺寸为距离目标为预设标准距离时矩形边界框的尺寸;
实时对比矩形边界框上至少两个预设角点的位置坐标和至少两个预设角点的标准位置坐标,得到第一变化数据;
实时对比矩形边界框的大小尺寸和矩形边界框的标准尺寸,得到第二变化数据。
在其中一个实施例中,跟随模块,还用于:
基于第一变化数据进行左右转动控制,以及基于第二变化数据进行前后跟随控制。
在其中一个实施例中,采集模块,还用于:
采集环境图像;
识别环境图像中的物体边界框;
根据物体边界框进行目标识别;
基于目标识别结果,实时获取目标图像。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的安全监测方法的安全监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个安全监测装置实施例中的具体限定可以参见上文中对于安全监测方法的限定,在此不再赘述。
在一个实施例中,如图12所示,提供了一种安全监测装置,包括:获取模块1202、特征确定模块1204以及通信模块1206,其中:
获取模块,用于获取采用上述的自动跟随方法跟随采集的目标图像。
特征确定模块,用于对目标图像进行骨骼特征提取,得到目标的骨骼特征。
通信模块,用于若根据骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息。
在其中一个实施例中,特征确定模块,还用于:
将目标图像输入姿态估计模型,得到目标的多个骨骼关键点;姿态估计模型是根据标注了人物骨骼关键点的数据集训练得到的;
将多个骨骼关键点依次连接,得到目标的骨骼特征;
若根据骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息,包括:
若根据骨骼特征对应的规律识别目标所处状态为不安全状态时,发送安全提示信息。
在其中一个实施例中,通信模块,还用于:
将骨骼特征输入目标检测模型识别目标所处状态为不安全时,发送安全提示信息;骨骼特征是将目标图像输入姿态估计模型得到的,目标检测模型是根据标注了安全或不安全的骨骼特征的数据集训练得到的。
可以理解的是,若根据老人的骨骼特征识别老人所处的状态为不安全时,通信模块可以向联网设备发送指示信息,这样,联网设备可以自动发送安全提示信息给紧急联系人,使得紧急联系人可以知道老人处于危险中,从而可以提高老人独居时的安全性;或者,联网设备可以自动拨打紧急电话,该紧急电话可以为子女电话或报警就医电话等。
上述自动跟随装置或安全监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种自动跟随方法或安全监测方法。
本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
实时获取目标图像;持续识别目标对象在目标图像中的位置坐标以及大小尺寸;侦测不同时间帧对应的位置坐标与大小尺寸的变化,得到变化数据;根据变化数据进行自动跟随。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
识别目标对象在目标图像中的矩形边界框;
持续获取矩形边界框上至少两个预设角点的位置坐标以及矩形边界框的大小尺寸。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取至少两个预设角点的标准位置坐标以及矩形边界框的标准尺寸;至少两个预设角点的标准位置坐标为正对目标时至少两个预设角点的位置坐标;标准尺寸为距离目标为预设标准距离时矩形边界框的尺寸;
实时对比矩形边界框上至少两个预设角点的位置坐标和至少两个预设角点的标准位置坐标,得到第一变化数据;
实时对比矩形边界框的大小尺寸和矩形边界框的标准尺寸,得到第二变化数据。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于第一变化数据进行左右转动控制,以及基于第二变化数据进行前后跟随控制。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
采集环境图像;
识别环境图像中的物体边界框;
根据物体边界框进行目标识别;
基于目标识别结果,实时获取目标图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
实时获取目标图像;
持续识别目标对象在目标图像中的位置坐标以及大小尺寸;
侦测不同时间帧对应的位置坐标与大小尺寸的变化,得到变化数据;
根据变化数据进行自动跟随。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
识别目标对象在目标图像中的矩形边界框;
持续获取矩形边界框上至少两个预设角点的位置坐标以及矩形边界框的大小尺寸。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取至少两个预设角点的标准位置坐标以及矩形边界框的标准尺寸;至少两个预设角点的标准位置坐标为正对目标时至少两个预设角点的位置坐标;标准尺寸为距离目标为预设标准距离时矩形边界框的尺寸;
实时对比矩形边界框上至少两个预设角点的位置坐标和至少两个预设角点的标准位置坐标,得到第一变化数据;
实时对比矩形边界框的大小尺寸和矩形边界框的标准尺寸,得到第二变化数据。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采集环境图像;
识别环境图像中的物体边界框;
根据物体边界框进行目标识别;
基于目标识别结果,实时获取目标图像。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
实时获取目标图像;
持续识别目标对象在目标图像中的位置坐标以及大小尺寸;
侦测不同时间帧对应的位置坐标与大小尺寸的变化,得到变化数据;
根据变化数据进行自动跟随。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
识别目标对象在目标图像中的矩形边界框;
持续获取矩形边界框上至少两个预设角点的位置坐标以及矩形边界框的大小尺寸。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取至少两个预设角点的标准位置坐标以及矩形边界框的标准尺寸;至少两个预设角点的标准位置坐标为正对目标时至少两个预设角点的位置坐标;标准尺寸为距离目标为预设标准距离时矩形边界框的尺寸;
实时对比矩形边界框上至少两个预设角点的位置坐标和至少两个预设角点的标准位置坐标,得到第一变化数据;
实时对比矩形边界框的大小尺寸和矩形边界框的标准尺寸,得到第二变化数据。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于第一变化数据进行左右转动控制,以及基于第二变化数据进行前后跟随控制。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采集环境图像;
识别环境图像中的物体边界框;
根据物体边界框进行目标识别;
基于目标识别结果,实时获取目标图像。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取采用上述的自动跟随方法跟随采集的目标图像;
对目标图像进行骨骼特征提取,得到目标的骨骼特征;
若根据骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
将目标图像输入姿态估计模型,得到目标的多个骨骼关键点;姿态估计模型是根据标注了人物骨骼关键点的数据集训练得到的;
将多个骨骼关键点依次连接,得到目标的骨骼特征;
若根据骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息,包括:
若根据骨骼特征对应的规律识别目标所处状态为不安全状态时,发送安全提示信息。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:
将骨骼特征输入目标检测模型识别目标所处状态为不安全时,发送安全提示信息;骨骼特征是将目标图像输入姿态估计模型得到的,目标检测模型是根据标注了安全或不安全的骨骼特征的数据集训练得到的。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取采用上述的自动跟随方法跟随采集的目标图像;
对目标图像进行骨骼特征提取,得到目标的骨骼特征;
若根据骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将目标图像输入姿态估计模型,得到目标的多个骨骼关键点;姿态估计模型是根据标注了人物骨骼关键点的数据集训练得到的;
将多个骨骼关键点依次连接,得到目标的骨骼特征;
若根据骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息,包括:
若根据骨骼特征对应的规律识别目标所处状态为不安全状态时,发送安全提示信息。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将骨骼特征输入目标检测模型识别目标所处状态为不安全时,发送安全提示信息;骨骼特征是将目标图像输入姿态估计模型得到的,目标检测模型是根据标注了安全或不安全的骨骼特征的数据集训练得到的。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取采用上述的自动跟随方法跟随采集的目标图像;
对目标图像进行骨骼特征提取,得到目标的骨骼特征;
若根据骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将目标图像输入姿态估计模型,得到目标的多个骨骼关键点;姿态估计模型是根据标注了人物骨骼关键点的数据集训练得到的;
将多个骨骼关键点依次连接,得到目标的骨骼特征;
若根据骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息,包括:
若根据骨骼特征对应的规律识别目标所处状态为不安全状态时,发送安全提示信息。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将骨骼特征输入目标检测模型识别目标所处状态为不安全时,发送安全提示信息;骨骼特征是将目标图像输入姿态估计模型得到的,目标检测模型是根据标注了安全或不安全的骨骼特征的数据集训练得到的。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种自动跟随方法,其特征在于,所述方法包括:
实时获取目标图像;
持续识别目标对象在所述目标图像中的位置坐标以及大小尺寸;
侦测不同时间帧对应的所述位置坐标与所述大小尺寸的变化,得到变化数据;
根据所述变化数据进行自动跟随。
2.根据权利要求1所述的方法,其特征在于,所述持续识别目标对象在所述目标图像中的位置坐标以及大小尺寸,包括:
识别所述目标对象在所述目标图像中的矩形边界框;
持续获取所述矩形边界框上至少两个预设角点的位置坐标以及所述矩形边界框的大小尺寸。
3.根据权利要求2所述的方法,其特征在于,所述侦测不同时间帧对应的所述位置坐标与所述大小尺寸的变化,得到变化数据,包括:
获取所述至少两个预设角点的标准位置坐标以及所述矩形边界框的标准尺寸;所述至少两个预设角点的标准位置坐标为正对所述目标时所述至少两个预设角点的位置坐标;所述标准尺寸为距离所述目标为预设标准距离时所述矩形边界框的尺寸;
实时对比所述矩形边界框上至少两个预设角点的位置坐标和所述至少两个预设角点的标准位置坐标,得到第一变化数据;
实时对比所述矩形边界框的大小尺寸和所述矩形边界框的标准尺寸,得到第二变化数据。
4.根据权利要求3所述的方法,其特征在于,所述根据所述变化数据进行自动跟随,包括:
基于所述第一变化数据进行左右转动控制,以及基于第二变化数据进行前后跟随控制。
5.根据权利要求1所述的方法,其特征在于,所述实时获取目标图像,包括:
采集环境图像;
识别所述环境图像中的物体边界框;
根据所述物体边界框进行目标识别;
基于目标识别结果,实时获取目标图像。
6.一种安全监测方法,其特征在于,所述方法包括:
获取采用自动跟随方法跟随采集的目标图像,所述自动跟随方法为如权利要求1-5任意一项所述的自动跟随方法;
对所述目标图像进行骨骼特征提取,得到目标的骨骼特征;
若根据所述骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息。
7.根据权利要求6所述的方法,其特征在于,所述对所述目标图像进行骨骼特征提取,得到目标的骨骼特征,包括:
将所述目标图像输入姿态估计模型,得到所述目标的多个骨骼关键点;所述姿态估计模型是根据标注了人物骨骼关键点的数据集训练得到的;
将多个所述骨骼关键点依次连接,得到所述目标的骨骼特征;
所述若根据所述骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息,包括:
若根据所述骨骼特征对应的规律识别目标所处状态为不安全状态时,发送安全提示信息。
8.根据权利要求6所述的方法,其特征在于,所述若根据所述骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息,包括:
将所述骨骼特征输入目标检测模型识别目标所处状态为不安全时,发送所述安全提示信息;所述骨骼特征是将所述目标图像输入姿态估计模型得到的,所述目标检测模型是根据标注了安全或不安全的骨骼特征的数据集训练得到的。
9.一种自动跟随装置,其特征在于,所述装置包括:采集模块、识别模块、侦测模块以及跟随模块;
所述采集模块,用于实时获取目标图像;
所述识别模块,用于持续识别目标对象在所述目标图像中的位置坐标以及大小尺寸;
所述侦测模块,用于侦测不同时间帧对应的所述位置坐标与所述大小尺寸的变化,得到变化数据;
所述跟随模块,用于根据所述变化数据进行自动跟随。
10.一种安全监测装置,其特征在于,所述装置包括:获取模块、特征确定模块以及通信模块,
所述获取模块,用于获取采用自动跟随方法跟随采集的目标图像,所述自动跟随方法为如权利要求1-5任意一项所述的自动跟随方法;
所述特征确定模块,用于对所述目标图像进行骨骼特征提取,得到目标的骨骼特征;
所述通信模块,用于若根据所述骨骼特征识别目标所处状态为不安全状态时,发送安全提示信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210641545.5A CN115037877A (zh) | 2022-06-08 | 2022-06-08 | 自动跟随方法、装置以及安全监测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210641545.5A CN115037877A (zh) | 2022-06-08 | 2022-06-08 | 自动跟随方法、装置以及安全监测方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115037877A true CN115037877A (zh) | 2022-09-09 |
Family
ID=83124008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210641545.5A Pending CN115037877A (zh) | 2022-06-08 | 2022-06-08 | 自动跟随方法、装置以及安全监测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115037877A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014132349A1 (ja) * | 2013-02-27 | 2014-09-04 | 株式会社日立製作所 | 画像解析装置、画像解析システム、画像解析方法 |
CN110348418A (zh) * | 2019-07-17 | 2019-10-18 | 上海商汤智能科技有限公司 | 目标跟踪方法及装置、智能移动设备和存储介质 |
CN112640419A (zh) * | 2020-02-28 | 2021-04-09 | 深圳市大疆创新科技有限公司 | 跟随方法、可移动平台、设备和存储介质 |
WO2021184359A1 (zh) * | 2020-03-20 | 2021-09-23 | 深圳市大疆创新科技有限公司 | 目标跟随方法、目标跟随装置、可移动设备和存储介质 |
CN114220176A (zh) * | 2021-12-22 | 2022-03-22 | 南京华苏科技有限公司 | 一种基于深度学习的人体行为的识别方法 |
-
2022
- 2022-06-08 CN CN202210641545.5A patent/CN115037877A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014132349A1 (ja) * | 2013-02-27 | 2014-09-04 | 株式会社日立製作所 | 画像解析装置、画像解析システム、画像解析方法 |
CN110348418A (zh) * | 2019-07-17 | 2019-10-18 | 上海商汤智能科技有限公司 | 目标跟踪方法及装置、智能移动设备和存储介质 |
CN112640419A (zh) * | 2020-02-28 | 2021-04-09 | 深圳市大疆创新科技有限公司 | 跟随方法、可移动平台、设备和存储介质 |
WO2021184359A1 (zh) * | 2020-03-20 | 2021-09-23 | 深圳市大疆创新科技有限公司 | 目标跟随方法、目标跟随装置、可移动设备和存储介质 |
CN114220176A (zh) * | 2021-12-22 | 2022-03-22 | 南京华苏科技有限公司 | 一种基于深度学习的人体行为的识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10740964B2 (en) | Three-dimensional environment modeling based on a multi-camera convolver system | |
Golparvar-Fard et al. | Monitoring changes of 3D building elements from unordered photo collections | |
CN113874870A (zh) | 基于图像的定位 | |
US11205276B2 (en) | Object tracking method, object tracking device, electronic device and storage medium | |
CN111445531B (zh) | 一种多目相机导航方法、装置、设备及存储介质 | |
US20210062653A1 (en) | Method and device for acquiring three-dimensional coordinates of ore based on mining process | |
US11354923B2 (en) | Human body recognition method and apparatus, and storage medium | |
CN109740659B (zh) | 一种图像匹配方法及装置、电子设备、存储介质 | |
CN111415420B (zh) | 空间信息确定方法、装置及电子设备 | |
CN112528974B (zh) | 测距方法、装置、电子设备及可读存储介质 | |
CN115661371B (zh) | 三维对象建模方法、装置、计算机设备及存储介质 | |
CN114972421A (zh) | 车间物料识别追踪与定位方法、系统 | |
CN113793251A (zh) | 位姿确定方法、装置、电子设备和可读存储介质 | |
CN110706257B (zh) | 有效特征点对的识别方法、相机状态的确定方法及装置 | |
RU2679200C1 (ru) | Способ и система отображения данных с видеокамеры | |
CN115037877A (zh) | 自动跟随方法、装置以及安全监测方法、装置 | |
CN114415698B (zh) | 机器人、机器人的定位方法、装置和计算机设备 | |
CN112184766B (zh) | 一种对象的跟踪方法、装置、计算机设备和存储介质 | |
CN112380951B (zh) | 一种识别异常行为的方法、装置、计算机设备及存储介质 | |
CN114863201A (zh) | 三维检测模型的训练方法、装置、计算机设备和存储介质 | |
CN111967290B (zh) | 物体识别方法、装置及车辆 | |
CN112990003B (zh) | 图像序列重定位判断方法、装置和计算机设备 | |
CN116597390B (zh) | 输电线路周边的施工隐患检测方法、装置和计算机设备 | |
US20240119620A1 (en) | Posture estimation apparatus, posture estimation method, and computer-readable recording medium | |
CN112449701B (zh) | 学习模板表示库 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |